AI的承诺，为什么不能只靠AI兑现？

——世界银行《2026年世界发展报告：人工智能的承诺》解读

AI提供的是新的能力可能性；发展红利则取决于这些能力如何被采用、适配、组织和治理。

一位肯尼亚农民通过手机向AI询问作物病害，获得过去很难接触到的农艺知识；与此同时，一位印度客服人员发现，自己查找客户资料、处理常见问题的部分工作，正在被同类技术接管。世界银行《2026年世界发展报告》第一章并置的这两个场景，揭示了一个容易被宏大叙事掩盖的问题：同一种技术，既可能填补长期存在的能力缺口，也可能替代已经形成的就业机会。关键不只是AI能做什么，还在于它进入了怎样的经济结构、组织流程与制度环境。

这份题为 World Development Report 2026: The Promise of Artificial Intelligence 的报告，将关注点放在低收入和中等收入国家：它们如何利用AI解决生产率不足、专业人才短缺和公共服务供给不充分等发展难题，又如何避免技术依赖、利益集中与社会风险。报告并不否认前沿技术突破的重要性，但它反复强调，对大多数发展中经济体而言，最大的机会未必在于训练出最强的模型，而在于把已经存在的AI，变成真正适合本地需要、能够持续运行的发展工具。

一、从“机器替代多少人”，转向“社会缺少什么能力”

讨论AI时，很容易从现有职业出发：程序员会不会减少？客服会不会消失？教师会不会被替代？报告则先把职业拆解为任务，再追问：哪些任务依赖稀缺的专业知识？哪些任务过去因为缺少专家，根本没有得到充分完成？

这种任务视角非常重要。教师的工作不仅是讲课，还包括备课、诊断学习困难、批改作业和反馈；农民虽然主要从事生产劳动，却同样需要判断播种时间、投入品配置与销售机会。报告强调，AI能够支持的非例行认知任务，并不只存在于办公室和高技能职业中，也存在于小企业和农场的日常决策之中。

AI不是简单增加专家人数，而是扩大专业能力的有效供给

传统的发展政策通常通过教育和培训增加专业人才。然而，培养医生、教师、工程师和农艺专家需要长期投入，无法迅速填补所有能力缺口。AI提供了一条不同的路径：不必先培养出足够多的专家，便有可能让更多人完成其中一部分原本需要专业知识的任务。

报告讨论了几种机制。AI承担某些专业任务后，职业中剩余任务对特定技能的要求可能降低；一些任务可以迁移到相邻职业，由经验相对不足的人员在AI辅助下完成；原有专业人员也可以提高工作效率，把时间用于更复杂、更需要人际互动和判断的事务。这并不意味着取消职业资格或降低安全标准，而是提示我们：职业名称可能不变，职业内部的任务结构却已经发生变化。

由此，报告提出了一种有条件的乐观主义：技术在补足最稀缺资源时，可能产生较大的发展收益。但这种收益不是自动发生的。专业建议即使更容易获得，也必须有人能够理解、判断并付诸行动；一个任务的瓶颈被消除之后，其他环节还可能成为新的约束。

从这个角度看，AI的发展意义不能仅仅用“节省多少人工”衡量，还应包括：它是否让原本得不到服务的人获得服务，让原本无法完成的任务变得可行。

二、贯穿全文的框架：能力、集中度与互补条件

报告的九章分为三个部分：首先解释AI的关键特征，然后评估其经济、社会和政治影响，最后讨论政府如何塑造这些影响。报告第6页的图O.1将这套逻辑浓缩为一个框架：能力、集中度和互补条件，通过采用、适配与前沿推进三条路径，影响发展结果；政府则以赋能者、使用者和监管者三种身份介入这一过程。

能力：AI能够把什么变得更容易？

这里的“能力”不只是模型在测试集上的成绩，而是识别模式、理解信息、支持决策和完成任务的实际可能性。

报告区分预测型AI、生成式AI和智能体AI。预测型AI用于分类、预测和决策支持；生成式AI用于创造文本、图像等内容，并提供更容易使用的交互方式；智能体AI则进一步围绕目标规划并执行多步骤任务。三者可以相互结合，而不是一种出现后，前一种便失去价值。

因此，发展政策不能把“采用AI”简单等同于“部署一个大语言模型聊天窗口”。有些问题需要的是预测、排序和资源配置，而不是生成一段更流畅的文字。

集中度：谁掌握这些能力的关键入口？

报告将AI技术栈划分为应用、模型、数据、基础设施和硬件五个相互依赖的层次。进一步从价值链看，还必须考虑矿产、电力、水、数据标注和各种专业劳动。技术栈说明AI如何运行，价值链则说明经济价值在哪里产生、就业在哪里形成。

集中具有双重效应。一方面，大型企业把多个技术层次整合起来，可以降低使用门槛，使资源有限的机构也能调用先进能力；另一方面，同样的整合也可能形成捆绑销售、竞争排斥和供应商锁定。发展中国家面临的不是“集中必然有害”这样简单的结论，而是如何利用规模经济，同时避免丧失选择权。

互补条件：为什么能接触AI，却未必能用好AI？

AI的有效使用，需要电力、网络、教育、技能、数据、组织流程和制度保障。报告延续了《2016年世界发展报告》关于数字技术需要“非数字互补条件”的思路，同时强调，AI还需要适合其运行和本地化的数字条件。

这里尤其值得区分两类条件：一类使AI能够被正确地适配，例如本地数据、专业知识和技术人才；另一类使适配后的应用能够被持续使用，例如终端设备、工作流程、人员培训和责任安排。模型“懂本地”，与组织“用得好”，并不是同一件事。

报告中的医疗案例说明了这种差别：一个系统在原有环境中表现良好，换到另一类患者群体后可能失效；一个眼部疾病筛查系统，也可能因为基层诊所的照明条件与训练图像不同，而拒绝处理大量图像。问题不一定在于模型不够强，而可能在于训练环境与使用环境不匹配。

这就形成了报告中的一个深层张力：最需要AI弥补能力不足的地方，往往也是最缺乏互补条件的地方。技术潜力最大，并不意味着实际收益一定最大。

三、采用、适配与前沿推进：不是所有国家都需要走向同一个终点

报告提出的三条路径，分别是采用现成AI工具、将AI适配到本地需要，以及参与前沿AI开发。三者需要的资金、技能和基础设施通常依次增加，但这不意味着每个国家都必须完整走完一条固定的升级阶梯。报告明确指出，大多数发展中国家不必推进AI前沿，也能获得可观收益；但采用和适配具有广泛必要性。

采用解决“有没有工具可用”，适配解决“工具是否适合这里”。

适配也不只是把界面翻译成本地语言。它可能涉及连接本地知识库、调整模型、改进输入数据、重新设计交互方式，以及把应用嵌入实际业务流程。一个农民需要的不是抽象的“最佳种植建议”，而是适合其地块、土壤、作物和季节条件的建议；基层服务人员需要的也不是以资源充裕环境为默认前提的标准答案。

“小AI”不是“大模型的廉价替代品”

专题一提出的“Small AI”，很容易被误读为小语言模型。报告的含义更宽：它可以是参数较少的模型，可以是只完成一个狭窄任务的预测系统，也可以是后台仍运行大型模型、但通过普通电话或短信服务低资源用户的应用。共同点是：围绕实际任务和现有条件设计，而不是围绕模型规模设计。

例如，Nuru可以在手机上离线识别作物病害；加纳的Rori数学辅导服务则使用云端模型，通过文字消息提供帮助。报告介绍的随机试验发现，Rori带来的数学学习改善大致相当于一年常规学习，文中给出的运行成本约为每名学生5美元。这个数字说明低成本服务的可能性，却不能被直接当作跨地区部署的完整成本预算。

“小AI”的真正意义，是把设计顺序倒过来：先问人们拥有什么设备、能够承担什么费用、需要完成什么任务，再选择技术。

不过，报告也明确提醒，小并不总是更好。复杂、开放性任务可能需要更强的模型；高风险任务必须满足更高的性能要求，并接受本地验证和持续监测。“足够好”应当是可靠应用的起点，而不是降低质量要求的借口。

四、经济影响：扩散很快，转型未必同样快

第四章并没有把AI的经济影响压缩成一个生产率数字，而是区分三条渠道：作为生产投入，AI改变任务效率和劳动需求；作为产业产出，AI价值链扩张带来投资和就业；通过价格、收入、交易成本和资源重新配置，AI还会产生跨行业、跨国家的连锁影响。

这意味着，一个国家即使尚未广泛采用AI，也可能受到其他国家采用AI的影响。例如，服务外包需求可能变化，进口产品的价格和质量可能变化，新的知识和技术也可能通过贸易与投资传入。不能只观察本国企业“用了多少AI”，便判断其经济影响。

聊天工具的普及，不等于组织转型已经完成

报告第113页的图4.2显示，在所调查的六个发展中经济体中，使用AI聊天工具的正规企业平均占比为20%，美国为34%；使用智能体或AI流程自动化的占比分别为10%和24%。这些数据来自印度、约旦、肯尼亚、墨西哥、尼日利亚和泰国等调查样本，采用国家层面的等权平均，并不代表全球所有企业。

报告据此强调“快速扩散、浅层采用与缓慢转型”之间的区别。信息搜索、写作和翻译，可以在不显著改变组织结构的情况下发生；将AI嵌入生产、客户服务和跨部门流程，则需要更深的互补投入。

这也是为什么企业能力如此重要。报告发现，管理实践更规范、创新活动更多、市场联系更强的企业，往往也更容易采用AI并进行更复杂的应用。这里首先是相关性证据，但它提示了一种可能的累积优势：已经具备较强能力的企业，能够更快把新工具转化为经营收益。

肯尼亚小企业AI导师的案例进一步显示了这种异质性：原本经营较好的企业从建议中受益，而能力较弱的经营者可能因为照搬不适合自身情境的通用建议，表现反而恶化。AI并不必然缩小企业间差距，也可能放大判断和实施能力上的差异。

职业暴露率，不是未来失业率

按照报告采用的生成式AI职业暴露口径，低收入和中等收入国家约有4.5%的现有岗位被归入更可能受到自动化影响的范围，高收入国家为14.2%；前一组国家另有约16.2%的岗位具有获得AI辅助的潜力。

这些数字不能读成“AI将消灭4.5%的工作”。职业暴露衡量的是任务与技术能力的对应关系，不等于实际采用，也没有完整纳入成本、制度约束、新任务创造和需求扩张。报告专门指出，暴露指标往往依赖静态任务描述及专家或模型判断，因此存在明确的测量边界。

同时，总体暴露较低也不意味着风险不重要。呼叫中心、软件和专业服务可能只占发展中经济体就业的一部分，却承载着青年进入正式部门、获得中产收入和积累专业经验的重要机会。报告转引的中国和印度研究已经观察到，部分岗位的招聘需求受到影响，入门级劳动者尤其值得关注。

因此，合理的政策目标不是永久保住每一种既有岗位，而是让劳动者有能力跨任务、跨企业和跨职业转移。专题五提出，社会保障应更多跟随劳动者，而不是固定绑定某个雇主，并逐步覆盖原本缺乏保障的劳动者。

五、公共服务：最需要跨越的，是“技术有效”到“发展有效”的距离

第五章把公共部门的AI应用区分为前端与后端。前端直接面对公众，例如教学支持和医疗筛查；后端则包括资源配置、风险识别、行政管理和监督审计。不同位置面临的约束并不相同：前端往往受技能、语言、终端和连接条件限制，后端则更容易受到数据质量、数据碎片化和系统互联不足的制约。

报告特别重视预测型AI在后台的价值。例如，肯尼亚司法系统使用算法辅助案件与调解员的匹配，巴西则利用审计数据识别更可能存在腐败风险的地方政府。这些应用不一定具有聊天机器人那样直观的展示效果，却可能改善公共资源的配置方式。

一个值得停下来细看的证据漏斗

报告第171页的图B5.3.1呈现了一个重要结果：在筛选出的9,762项AI数字健康干预研究中，只有57项同时满足面向一线服务、使用真实患者和服务人员数据进行检验、处于低资源情境等条件；其中只有17项提供了关于健康结果、服务质量或效率等方面的因果证据。

这里的含义不是“只有约0.2%的医疗AI有效”，而是：在这项综述的范围内，能够直接支持特定公共政策决策的因果证据非常有限。低资源情境还包括高收入国家内部的资源不足地区，不能把这一统计简单等同于某一收入组的全部医疗研究。

四层评估，缺一层都可能产生误判

专题六在第302页提出了一条完整的评估链：

目标界定 → 本地模型验证 → 人机互动与实际使用 → 最终发展结果。

首先，要弄清模型究竟在优化什么。系统追求的准确率、处理速度或成本，是否对应公共机构真正关心的目标？其次，要使用部署环境中的真实数据验证，而不能只接受供应商在别处取得的性能成绩。再次，要观察人们是否能够接触工具、是否正确使用、是否选择性采纳或推翻建议。最后，必须比较有AI与可行替代方案下的结果，评估其对受益者、非受益者及公共资源使用的影响。

报告举了一个假设性例子：即使聊天机器人能够帮助基层人员识别高风险孕妇，如果缺乏把她们送往诊所的交通条件，系统也可能没有改善最终健康结果。模型没有失败，但发展干预没有完成。

同样，使用次数、用户满意度和处理量可以帮助改进系统，却不能直接回答“没有这个系统会怎样”。报告强调，影响评估应采用清晰的反事实，并将AI与最佳可行的人力或技术替代方案比较，而不是与一个人为设定的低效基线比较。

这一判断对企业同样具有启发性：交付一个可运行的系统，与创造一个净收益为正的组织变革，是两项不同的工作。

六、政治影响：AI不仅改变效率，也改变谁有能力制定规则

第六章将权力关系分为四个层次：国家之间、政府与企业之间、企业与个人之间，以及公民与国家之间。这样处理，使报告超越了“技术收益减去技术风险”的简单核算，转而追问收益和风险由谁分配、由谁承担。

国家之间的核心问题，是依赖与自主。拥有本地数据中心，不等于摆脱对外部芯片、软件和服务的依赖；试图在国内复制整个AI技术栈，又可能造成昂贵的重复建设和市场碎片化。报告提出的中间路径是：在可能的层次上实现供应商多元化，同时保持互操作性，结合开放模型、数据治理和国际合作，减少单一依赖，而不是追求所有环节完全自给。

政府与企业之间的核心问题，是公共投入能否形成公共价值。为吸引AI投资而提供税收优惠、低价能源和基础设施支持，可能促进产业发展，也可能把财务和技术风险更多留给公众，把收益更多留给少数企业。报告同时指出，问题不只是政府对企业过度迁就；规则突然变化、承诺缺乏稳定性，也会削弱投资与能力转移。

企业与个人之间的核心问题，是市场力量与议价能力。数据反馈和转换成本可能强化领先企业的优势；数据标注等劳动市场中，少数购买方面对大量劳动者，又可能形成买方垄断。算法管理本身不必然比人工管理更差，但如果劳动者看不见决策依据、无法申诉，也缺乏可选择的雇主，技术就会强化原有的不对称。

公民与国家之间的核心问题，是能力扩张能否受到问责约束。AI能够帮助政府发现风险，也能够扩大监测和信息操纵能力；自动化可以减少某些人为随意性，却不能自动保证公平。因此，公众需要的不只是“相信系统”，还包括知情、质疑、申诉和获得纠正的实际渠道。

据此可以进一步理解“数字自主”：它不应只用模型是否自行开发衡量，也应看一个组织或社会能否控制数据、替换供应商、审查系统，并对影响自身的规则提出异议。

七、两种容易被短期收益掩盖的长期成本

人的能力：使用AI完成任务，不等于学会完成任务

专题三讨论了一个与全文主旨构成张力的问题：AI能够扩大人们当下可调用的能力，但过度依赖AI，也可能削弱形成这些能力的学习过程。

报告区分了有教学设计的AI辅导与不受约束的答案获取。前者可以通过提示、解释和反馈促进学习；后者可能让使用者绕过必要的思考与练习，使眼前作品更好，却未必使离开工具后的独立表现更好。报告也明确提醒，部分认知影响证据来自规模较小、观察期较短的实验，不能据此断言AI必然造成长期能力退化。

这一问题并不限于课堂。如果企业用AI大量替代入门级任务，也可能同时减少青年员工积累经验的机会。项目判断、情境理解和复杂协调等能力，往往需要在实际工作中形成。组织节省了当期培训和用工成本，却可能削弱未来专家的培养机制。报告将其视为值得警惕的长期组织能力问题，而不是已经确定发生的普遍结果。

这里最重要的区分是：能力的调用，与能力的形成，不是同一过程。AI治理既要关心今天的任务完成率，也要关心明天是否仍有人能够理解、监督和改进系统。

自然资源：AI用于绿色治理，不意味着AI产业自动绿色

专题四同时讨论AI的环境足迹与环境治理价值。

前者贯穿矿产开采、硬件制造、运行中的能源和水资源消耗，以及电子废弃物处置；后者则包括电网调度、交通与物流优化、环境监测、天气预测和灾害应对。报告没有据此给出“AI总体必然有利于环境”的判断，而是明确指出，净环境影响仍不清晰，需要透明的测量和治理。

更值得注意的是成本的分配。如果数据中心获得优惠电价，而电网扩建成本被转移给其他用户；如果设施选址重视能源价格和招商条件，却忽视当地水资源约束，那么技术投资的私人收益与社区承担的社会成本就可能分离。

因此，报告提出将数据中心的用电灵活性、设施选址和新增清洁能源供给纳入政策考量。其启示不是拒绝算力建设，而是避免把“新增算力”直接等同于“新增发展福利”。

八、政府的三种角色：补条件、会使用、能治理

报告最后三章的价值，在于把前面的分析转化为行动逻辑。但这些行动不是一张可以任意挑选的政策清单。报告强调，政策之间具有互补性，应优先缓解最具约束力的瓶颈：有培训而没有电力与网络，有数据中心而没有人才和应用需求，都可能产生有限回报。

作为赋能者：让更多主体有条件用好AI

政府首先要补足基础设施、基本教育、数字技能和数据治理条件，并改善企业获取信息、融资和市场机会的环境。

这里，“提供算力”只是其中一个选项，不应压倒其他投入。报告提出的工具包括开放和改善公共数据、支持本地语言资源、扩大可负担计算服务的获取，以及帮助企业了解哪些应用有效、如何融入业务。对不同基础条件的经济体，投入组合应当不同。

报告还提出，税收和监管安排不应人为鼓励企业以AI替代劳动，而忽视通过AI增强劳动者能力的可能性。这不是反对自动化，而是要求技术选择更多反映实际生产价值，而不是制度造成的相对成本扭曲。

作为使用者：把AI当作持续运营能力，而不是一次性交付项目

第八章最鲜明的提醒，是从问题而非技术出发：并非所有公共问题都需要AI；把AI叠加在设计不良的流程上，可能只是把低效率自动化。智能体系统尤其如此——它们能够跨步骤行动，因此更需要提前设定授权、审计轨迹和失败处置机制。

一旦决定采用AI，政府也不能把签约、上线和验收视为终点。模型、数据、政策和用户行为都可能变化，系统因此需要持续监测、更新和维护。报告对比了两种模式：项目模式重建设和交付，容易在移交后陷入运营投入不足；产品模式则保留持续负责的小型内部团队、稳定预算和迭代机制。

采购合同也必须保护未来选择权。尤其值得注意的是，报告要求可迁移的不只是原始数据，还有组织在使用过程中积累的上下文：交互记录、行政决策、操作手册和配置。如果这些知识无法导出，更换供应商就可能意味着重新开始。

供应商锁定甚至可能在正式采购之前形成。低价试点、合作项目和捐赠软件，会逐步积累数据、配置和系统连接，等到正式签约时，替换成本已经很高。因此，治理必须从早期试验开始，而不能等到采购合同阶段才介入。

作为监管者：用可信治理支持采用，而不是在创新与安全之间简单二选一

报告主张从自愿标准和既有法律出发，逐步补足治理缺口，但这不能被理解为“先放任发展，出现问题后再监管”。

其逻辑是，标准能够把透明、公平和安全等原则转化为可执行、可测试的要求；既有的数据保护、消费者保护等制度则可以立即发挥作用。当自愿安排不足以保障权利、安全和公共利益时，政府需要以有约束力的规则加以支撑。报告明确反对把治理完全交给市场。

比模仿一部先进法律更重要的，是具备执行能力。报告提出实验、强化执行、共同设计和信息公开等原则，并警惕只有制度外观、缺乏落实能力的模仿。公众信任也不是靠宣传获得，而应建立在系统确实值得信任的基础上。

三种角色，还需要一个跨部门协调框架

专题七指出，AI横跨部门，而公共机构通常按部门组织预算、权限和数据。这种结构性错位，会同时妨碍应用、产业支持和监管。

报告因此提出“横向协调—纵向实施”的两层框架：横向形成共同方向、标准与共享条件，纵向保留行业部门的专业知识和实施责任。它追求的不是让一个机构包办所有AI事务，而是避免各部门各建系统、各定规则、各自承担却无法共同解决跨界问题。

九、如何评价这份报告：贡献在框架，阅读时必须守住证据边界

这份报告的重要贡献，是把技术能力、经济结构、组织实施与政治治理放进同一个解释框架。它既没有把AI当成自动带来繁荣的外生力量，也没有把发展中国家仅仅当作风险的被动承受者。

第一，调查覆盖不等于总体代表性。企业采用数据主要覆盖至少五名雇员的正规企业，并集中于制造业、建筑业和服务业。它为理解企业采用提供了新证据，却不能直接外推到所有自雇劳动者、非正规微型企业和农业经营主体。

第二，不同研究中的“收益”并不具有同一含义。第122页表4.1同时列入产出、任务时间、创新性、预测准确性和开发者感知等指标；研究设计也不完全相同。时间节省不能直接等同于企业生产率提高，更不能直接等同于社会福利增加。这些结果需要按任务、样本和测量口径分别解读。

第三，采用相关性与因果效果必须分开。能力较强的企业或农户可能更愿意采用AI，所以采用者表现更好，并不自动证明差异全部由AI造成。农业专题对这一问题作了明确提示：自愿使用咨询服务的农民，可能在管理能力、风险偏好和投入条件上，本来就不同于未使用者。

第四，宏观情景不是增长承诺。报告的部分宏观估算把任务层面的效果、职业暴露和采用程度结合起来，显示在既定假设下，先进经济体可能获得更大的生产率收益。这类分析的重要用途，是揭示采用差距的后果，而不是给未来经济增长率盖章。

第五，AI的快速变化让评估本身成为持续任务。固定模型版本有助于明确研究对象，却可能很快失去现实代表性；持续更新又会使干预内容发生变化。网络效应、跨机构溢出和对照组自行采用，也会影响因果识别。报告并未提供一个可以消除这些困难的万能方法，而是要求更审慎的研究设计。

沿着这些边界继续思考，真正值得研究的，就不再只是“AI是否提高绩效”，而是：什么互补条件最关键？什么人机分工能够兼顾短期效率与长期学习？什么合同安排能够保护组织积累的知识？一种有效的试点在扩张之后，是否仍然有效、包容且可负担？

结语：AI的最终尺度，应当是人的发展

读完这份报告，最值得保留的不是某个增长预测，也不是某项令人兴奋的应用，而是一种判断技术的方式。

不要只问模型有多强，还要问它解决了什么稀缺问题；不要只问采用速度有多快，还要问组织是否真正改变；不要只问创造了多少价值，还要问谁获得收益、谁承担成本；不要只问今天能完成什么，还要问明天是否仍然拥有学习、监督和自主选择的能力。

报告最后把问题重新拉回到一个朴素的目标：AI应扩大人的能力与机会，改善公共服务、企业经营和生活水平。能否实现这一目标，取决于AI是否被广泛、有效且负责任地用于真实的发展问题。

模型变得更聪明，只是技术进步；让更多人因此获得更好的生活，才是发展。

报告来源

World Bank. (2026). World Development Report 2026: The Promise of Artificial Intelligence. World Bank. DOI: 10.1596/978-1-4648-2331-2.

本文为对所附英文报告的学术解读，不是世界银行官方译文；文中的综合判断与评论不代表世界银行立场。